[论文解读] A Multimodal Perceived Stress Classification Framework using Wearable Physiological Sensors

Muhammad Majid, Aamir Arsalan+1 more|arXiv (Cornell University)|Jun 22, 2022

EEG and Brain-Computer Interfaces被引用 8

一句话总结

本论文提出了一种基于可穿戴生理传感器（EEG、GSR、PPG）的多模态感知压力分类框架，采集了40名受试者的数据，提取时域与频域特征，随后进行频带选择和基于包装器的特征优化。多层感知机分类器在二分类任务中达到95%的准确率，在三分类任务中达到77.5%的准确率。

ABSTRACT

Mental stress is a largely prevalent condition known to affect many people and could be a serious health concern. The quality of human life can be significantly improved if mental health is properly managed. Towards this, we propose a robust method for perceived stress classification, which is based on using multimodal data, acquired from forty subjects, including three (electroencephalography (EEG), galvanic skin response (GSR), and photoplethysmography (PPG)) physiological modalities. The data is acquired for three minutes duration in an open eyes condition. A perceived stress scale (PSS) questionnaire is used to record the stress of participants, which is then used to assign stress labels (two- and three classes). Time (four from GSR and PPG signals) and frequency (four from EEG signal) domain features are extracted. Among EEG based features, using a frequency band selection algorithm for selecting the optimum EEG frequency subband, the theta band was selected. Further, a wrapper-based method is used for optimal feature selection. Human stress level classification is performed using three different classifiers, which are fed with a fusion of the selected set of features from three modalities. A significant accuracy (95% for two classes, and 77.5% for three classes) was achieved using the multilayer perceptron classifier.

研究动机与目标

• 开发一种基于可穿戴生理传感器的稳健多模态框架，用于分类感知压力水平。
• 解决现有文献中较少被研究的慢性或感知压力分类挑战，相较于急性压力研究更为不足。
• 通过融合多种生理模态（EEG、GSR、PPG）的特征，提升分类准确率。
• 利用频带选择算法和基于包装器的方法进行特征选择，以增强模型性能。
• 在真实世界生理数据上，对二分类和三分类感知压力分类任务进行系统评估。

提出的方法

• 在开放眼状态下，从40名受试者中采集三分钟的生理数据，使用EEG、GSR和PPG传感器。
• 从GSR和PPG信号中提取时域特征（峰度、熵、标准差与平均绝对值比、方差）。
• 从EEG信号中提取频域特征（有理不对称性、分割不对称性、相关性、功率谱），覆盖多个频带。
• 应用频带选择算法，识别出EEG信号中的θ频带为最适合压力分类的频带。
• 使用基于包装器的特征选择方法，从多模态特征集中选出最具判别力的特征。
• 融合选定特征，并使用三种分类器（SVM、朴素贝叶斯、多层感知机（MLP））对压力水平进行分类。

实验结果

研究问题

• RQ1 与单模态方法相比，EEG、GSR和PPG信号的多模态融合是否能提高感知压力分类的准确率？
• RQ2 哪些EEG频带（如θ、α、β）在感知压力分类中表现最佳？
• RQ3 基于包装器的特征选择方法在降低维度的同时，是否能有效保持分类的判别能力？
• RQ4 当应用于融合的多模态生理特征时，不同分类器（SVM、朴素贝叶斯、MLP）在二分类和三分类感知压力分类任务中的表现如何？
• RQ5 与现有最先进方法相比，所提出的框架在准确率、受试者数量和分类复杂度方面表现如何？

主要发现

• 所提出的框架在使用多层感知机（MLP）分类器时，二分类感知压力分类的准确率达到95%。
• 在三分类感知压力分类任务中，MLP分类器达到77.5%的准确率，表明在更复杂的分类任务中仍具鲁棒性。
• 通过频带选择算法，识别出EEG信号中的θ频带为最优频带子段，对分类性能有显著贡献。
• 基于包装器的特征选择方法有效降低了特征空间维度，同时在所有分类器中保持了高分类准确率。
• MLP分类器在二分类和三分类任务中的精确率和召回率均优于SVM和朴素贝叶斯。
• 本研究在同类工作中拥有最多的受试者数量（n=40），增强了结果的泛化能力。